《Scientific Reports》：PickAMoo: LIDAR-enhanced mask R-CNN segmentation for precision weight estimation in dairy cattle using smartphone imaging
编辑推荐：
体况评分、体型参数及体重数据是牧场层级科学决策的核心依据，广泛应用于营养需求计算、健康监测与育种评估。传统称重与体况评定依赖人工操作，劳动强度大，难以在实际生产中达到理想频次。尽管计算机视觉与图像分析技术在体重、体况评分及体型估测中展现出巨大潜力，现有流程多依
体况评分、体型参数及体重数据是牧场层级科学决策的核心依据，广泛应用于营养需求计算、健康监测与育种评估。传统称重与体况评定依赖人工操作，劳动强度大，难以在实际生产中达到理想频次。尽管计算机视觉与图像分析技术在体重、体况评分及体型估测中展现出巨大潜力，现有流程多依赖固定多相机或三维采集装置，显著提升了硬件与部署成本。为此，研究人员开发了一种以智能手机为核心的两阶段活体体重估测流程。首先，基于567张牧场复杂环境下人工标注的奶牛图像训练掩码区域卷积神经网络（Mask R-CNN）分割模型，F1分数达0.98。其次，采用贝叶斯信息准则（BIC）优选的高斯混合模型将体重离散化为9个数据驱动类别，移除原始体重变量以防数据泄露，并在训练集内构建防泄露流水线（包含插补、鲁棒缩放、折叠内部合成少数类过采样技术SMOTE、极端随机树Extra Trees）。主要评估采用奶牛个体分组划分策略，确保同一奶牛的重复观测数据仅存在于单一分区；同时使用PyCaret作为独立交叉验证。在未参与分割模型训练的1080张应用自研相机应用采集的图像构成的216张分组预留集上，调优后的极端随机树模型宏F1值达0.936（95%置信区间0.860–0.983），错误率为4.2%。研究人员计划进一步优化算法，将其封装为智能手机应用，以开源支持工具的形式推广至牧场实际应用。
研究背景与意义
在奶牛精准养殖管理中，体重、体况评分及体型数据是制定饲喂策略、监测健康状况及评估育种价值的关键依据。然而，传统的称重与体况评估手段，如目测估测、胸围尺测量或固定称重系统，普遍存在劳动强度大、耗时长及需近距离接触动物等问题，易导致动物应激并威胁人员安全，限制了其在日常生产中的高频次应用。虽然近年来计算机视觉技术为非接触式估重提供了新思路，但主流方案多依赖固定的三维或多相机系统，硬件成本高昂且部署复杂，难以适应普通牧场的动态环境。针对这一痛点，瑞典农业科学大学的研究人员开展了一项创新性研究，旨在利用普及率极高的智能手机结合激光雷达（LiDAR）技术，开发一套低成本、高精度且便于现场操作的奶牛体重估算系统。该研究成果已发表于《Scientific Reports》。
关键技术方法
研究人员在瑞典两个研究牧场（瑞典乌普萨拉和于默奥）建立了包含270头奶牛（瑞典红牛和瑞典荷斯坦牛）的样本队列，历时三年半采集了2847张图像及对应自动称重数据。核心技术流程包含四个关键环节：一是开发集成LiDAR传感器的iOS应用PickAMoo，实现拍摄距离实时引导与图像采集；二是采用高斯混合模型（GMM）基于贝叶斯信息准则（BIC）将连续体重离散化为9个有序类别；三是训练基于ResNet-101骨干网络的掩码区域卷积神经网络（Mask R-CNN）进行实例分割，提取轮廓形态特征；四是构建防数据泄露的机器学习流水线，采用极端随机树（Extra Trees）分类器进行体重分级预测，并通过奶牛个体分组交叉验证确保模型泛化性。
研究结果
- •
传统估重方程性能
研究人员首先验证了传统人工测量方程的局限性。结合胸围、体长与年龄的方程在混合品种中表现最佳（R2=0.89，平均绝对百分比误差MAPE=4.47%），但在瑞典红牛中表现显著下降（R2=0.69-0.72，MAPE=13.34%-14.12%），且对800公斤以上的重型个体预测偏差较大，表明传统公式受品种体型差异影响显著。
- •
分割模型性能
对比U-Net与掩码区域卷积神经网络（Mask R-CNN）两种架构，后者在处理牧场遮挡与复杂背景时优势明显。经过预训练骨干网络筛选，基于ResNet-101的Mask R-CNN模型取得了0.98的F1分数，能够稳定输出高质量的奶牛轮廓掩膜，为后续特征提取奠定了基础。
- •
图像体重分类模型性能
基于Batch 9的1080张图像数据，研究人员构建了体重分类模型。在严格的奶牛个体分组预留测试集（216张图像）上，主流程的极端随机树（Extra Trees）模型宏F1值为0.910，错误率9.7%；而经独立调优的PyCaret实现将宏F1提升至0.936（95% CI: 0.860–0.983），总体错误率仅为4.2%，且绝大多数错误仅发生在相邻体重类别之间，证明了模型的生物学合理性。
讨论与结论
研究结果表明，通过联合解决图像采集时的尺度归一化与形状特征提取两大瓶颈，利用智能手机结合LiDAR即可实现高精度的奶牛体重估算。相较于依赖昂贵固定设施的传统计算机视觉方案，该研究提出的移动端工作流大幅降低了硬件门槛与操作复杂度，更适用于真实牧场环境。虽然目前数据集主要局限于瑞典的特定品种与牧场，其跨品种与跨环境的泛化能力仍需进一步验证，且当前模型尚未优化至终端设备实时推理，但这项研究成功证实了非接触式、低成本的体重估测在精准畜牧业中的可行性。
综上所述，研究人员证实，通过耦合iPhone级LiDAR的距离控制、Mask R-CNN（ResNet-101）实例分割及轻量级特征估计器，可在真实 barn 条件下实现稳健的奶牛体重估算。该研究并未试图完全取代校准称重系统，而是提供了一种硬件要求低、操作实用的替代方案，在保持较高预测性能的同时，极大提升了实际应用的便捷性。
